Аннотация:
Процесс обнаружения аномалий или отклонений от ожидаемого поведения в непрерывно поступающих данных является сложным и требует разработки эффективных моделей, которые могут адаптивно переобучаться со временем. Человеческий мозг служит ярким примером такой системы, так как он постоянно учится на протяжении всей жизни, а прошлый опыт, который когда-то казался ошибочным, постепенно интегрируется в обыденные знания. Хотя современные модели нейронных сетей достигли значительных успехов в распознавании текста и изображений, они значительно отклонились от оригинальных моделей нейронов и больше не представляют собой единственный алгоритм, аналогичный тому, который использует наш мозг. Специальные искусственные сети, такие как Long Short-Term Memory (LSTM), могут учитывать как длительную, так и непосредственную информацию; однако они имеют ограничения в своей способности к переобучению. В данном исследовании мы согласуемся с теориями, предложенными Джеффом Хокинсом, выдающимся исследователем в области биоподобного интеллекта, чья команда разрабатывает инновационные кортикальные алгоритмы, которые испрользуют современные исследования функционирования интеллектуального мозга. В этом контексте зрение и слух можно концептуализировать как сенсоры, данные от которых интегрируются в модель для генерации непрерывных прогнозов для каждого входного сигнала. В нашей статье мы исследуем современные теории по этой теме и представляем собственную реализацию этих концепций с использованием языка программирования Erlang.
Ключевые слова:
биоподобная модель, кортикальные алгоритмы, поиск аномалий в потоковых данных
Полный текст:
PDF файл (1328 kB)